[发明专利]一种模型训练方法、游戏测试方法、模拟操作方法及装置

权利要求书

1.一种模型训练方法，其特征在于，包括：

从游戏视频样本中获取第一地图样本、第二地图样本以及M个地图样本，其中，所述游戏视频样本至少包括三帧游戏图像，每帧游戏图像包括一个地图样本，所述第一地图样本与所述第二地图样本之间间隔所述M个地图样本，所述M为大于或等于1的整数；

基于所述第一地图样本，通过待训练多任务深度模型所包括的待训练主任务网络获取动作类别概率，其中，所述第一地图样本对应于目标动作类别；

基于所述第一地图样本以及M个动作类别，通过所述待训练多任务深度模型所包括的待训练辅助任务网络获取预测地图，其中，所述M个动作类别与所述M个地图样本具有对应关系；

根据所述动作类别概率、所述目标动作类别、所述预测地图以及所述第二地图样本，对所述待训练多任务深度模型进行训练，得到多任务深度模型，其中，所述多任务深度模型包括主任务网络以及辅助任务网络。

2.根据权利要求1所述的模型训练方法，其特征在于，所述从游戏视频样本中获取第一地图样本、第二地图样本以及M个地图样本，包括：

获取所述游戏视频样本；

从所述游戏视频样本中获取第一游戏图像以及第二游戏图像，其中，所述第一游戏图像与所述第二游戏图像之间间隔M个游戏图像；

根据所述第一游戏图像获取所述第一地图样本；

根据所述第二游戏图像获取所述第二地图样本。

3.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述第一地图样本，通过待训练多任务深度模型所包括的待训练主任务网络获取动作类别概率，包括：

基于所述第一地图样本，通过所述待训练多任务深度模型所包括的至少一个卷积层，获取图像卷积特征；

基于所述图像卷积特征，通过所述待训练主任务网络所包括的至少一个全连接层，获取所述动作类别概率。

4.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述第一地图样本以及M个动作类别，通过所述待训练多任务深度模型所包括的待训练辅助任务网络获取预测地图，包括：

获取所述M个动作类别；

基于所述第一地图样本，通过所述待训练多任务深度模型所包括的至少一个卷积层，获取图像卷积特征；

基于所述图像卷积特征，通过所述待训练辅助任务网络所包括的第一全连接层，获取第一特征向量；

基于所述M个动作类别，通过所述待训练辅助任务网络所包括的第二全连接层，获取第二特征向量；

基于所述第一特征向量以及所述第二特征向量，通过所述待训练辅助任务网络所包括的第三全连接层获取第三特征向量；

基于所述第三特征向量，通过所述待训练辅助任务网络所包括的转换层获取特征矩阵；

基于所述特征矩阵，通过所述待训练辅助任务网络所包括的至少一个上采样层，获取所述预测地图。

5.根据权利要求4所述的模型训练方法，其特征在于，所述基于所述第一地图样本，通过所述待训练多任务深度模型所包括的至少一个卷积层，获取图像卷积特征，包括：

基于所述第一地图样本，通过所述待训练多任务深度模型所包括的第一卷积层，获取第一图像卷积特征；

基于所述第一图像卷积特征，通过所述待训练多任务深度模型所包括的第二卷积层，获取第二图像卷积特征；

基于所述第二图像卷积特征，通过所述待训练多任务深度模型所包括的第三卷积层，获取图像卷积特征；

所述基于所述特征矩阵，通过所述待训练辅助任务网络所包括的至少一个上采样层，获取所述预测地图，包括：

基于所述特征矩阵，通过所述待训练辅助任务网络所包括的第一上采样层，获取第一图像特征；

基于所述第一图像特征以及所述第二图像卷积特征，通过所述待训练辅助任务网络所包括的第二上采样层，获取第二图像特征；

基于所述第二图像特征以及所述第一图像卷积特征，通过所述待训练辅助任务网络所包括的第三上采样层，获取所述预测地图。